聊聊阿伦·艾佛森这个人

Transformer 常见面试题深度解析:从原理到工程实践 先给结论,再展开推导:面试官时间有限,先一句话回答核心,再补充细节;公式与直觉并重:能推导dk\sqrt{d_k}dk​​的方差来源,也能用"防止 softmax 饱和"的直觉解释;主动关联工程实践:提到 FlashAttention、KV Cache、GQA 等,体现落地经验;诚实面对不确定:不清楚的细节不要编造,可以说"这部分我了解思路,具体实现需要再确认";准备一个完整项目故事:能讲清"遇到什么问题 → 如何定位 → 用什么方案 → 效果如何量化"。 阅读详情

大口木瓜 2009年11月30日 21:57 阅读(6) 评论(0) 分类:落叶飘零 权限: 公开

聊阿伦今年夏天为了写某东西,看了各种关于阿伦·艾佛森的段子,然后试图从中理出条线来。本来一个人(或一群人)要完全了解另一个人,只存在理论上的可能。因为每个人每天都要度过86400秒,精神和身体可以经历的事情太多。乔伊斯写布卢姆的一天都能写出本《尤利西斯》来呢。所以接近真相的方式,大概只能是把尽量多的材料堆一起,然后推演。

  
  
  
  
  艾佛森早年的事儿众所周知了。亲爹是个怂人不管养,娘是个十几岁姑娘自己拼。家是新港,出名的斗狗之乡,出橄榄球四分卫。他自己从小打橄榄球,四分卫、线卫、角卫都挑。篮球是妈和后爹教的。从小和后爹打一对一,一直打到后爹不是他对手。实际上,进中学前,基本上他都在和比自己大一圈的人打。
  关于志向,贫民区出身的青年都差不多。宝剑赠英雄,货卖与识家。所以到高中,他还是橄榄球四分卫皆领。汉普顿当地有群哥们一直跟他。比尔·西蒙斯有个说法好,曰这群人就是艾佛森的地方武装部队。基本上招摇过市那种。
  
  艾佛森最初的做人是跟妈妈学来的。勤奋工作,挣钱养家,多劳多得。小时候就亲眼见过兄弟死在街上,所以知道弱肉强食是怎么回事。他理想比较单纯,靠橄榄球或篮球,让家里过好日子。
  进高中前,他基本上打野球多。进过几个篮球夏令营,也没有太成规范。进了高中,他遇到俩教练。篮球教练伯利没什么大才情,但是个好人,帮他照管点家里,以至于艾佛森有时情愿蹲教练这儿不想回去了;橄榄球教练科兹洛维斯基是个好玩的人,这人比较信麦斯维尔·马尔茨(一整容医生,写过本关于心理控制的书),所以他教导艾佛森,打球要尽量追求“自动化”,要他脑子里先有幅图画然后自己不假思索的操作完成,少想,靠身体的自然反应之类。
  
  1993年著名的保龄球馆事件,其实没什么确凿的证据。两群人在保龄球馆打起来,一女孩儿受伤,完后二十几个白人一起指认是艾佛森打的(因为这伙人在那堆黑人小孩里只认识艾佛森),之后真讨论细节,证人说出来就五花八门赶上《罗生门》了。艾佛森被判刑,后来汉普顿专门有志愿者闹这事,有色人种协进会也跟最高法院呼吁。两年之后指控全撤消了。艾佛森一共关了四个月。
  此时说到最后,艾佛森倒霉在三点:他那帮兄弟目标太大;他自己作为黑人体育明星目标太大;种族对立。不过他监禁那段,家里是兄弟们照顾着。这事的后续影响就是,此后几年他都一直背着个疑似街头小罪犯的恶名。
  之后他能进乔治城这种清规戒律的大学,一半是约翰·汤普森惟才是举而且天不怕地不怕,一半是他妈妈去跟汤普森老师进的言。但大体上,进大学时的艾佛森脾气定了:
  直性子,想让家里过好日子,已经被种族主义给坑害了一道,最信赖的人是妈妈和兄弟们。
  
  
  
  
  
  
  
  约翰·汤普森培养过尤因、穆托姆博和莫宁就不说了。他的特点:当初在凯尔特人给拉塞尔当过替补,跟过红衣主教;打球和教球都风格酷烈凶悍;作为黑人有点反歧视白人,最喜欢跟更衣室的人嚷“我们出去把那些他妈的白人干掉”之类;偾世嫉俗。
  他一直没太约束艾佛森。虽然大学两年,全美国都在念叨,艾佛森和哈林顿怎么配合不起来,艾佛森怎么太快,汤普森都嗤之以鼻,只管教导艾佛森按自己想的做。大概艾佛森精神上的父亲,以这位先生为最。艾佛森整个大学生涯受的非议,一点不比他在NBA少。直到1996年1月,他和雷·阿伦哪个是大学第一后卫都还处于争执中,直到乔治城赢了场康大一切才尘埃落定。艾佛森大二结束打算参加选秀。在此之前,乔治城篮球队全是大四毕业了才敢动身。但汤普森这次网开了一面。虽然他在新闻发布会上百般不舍,知道艾佛森早进联盟会吃些苦头,但他知道艾佛森家境,所以还是积极想法子,帮艾佛森找了大卫·法尔克做经纪人。
  
  
  1996年费城得到艾佛森前,连续六年成绩下跌。选秀大会揽了威瑟斯彭、斯塔克豪斯、布拉德利(换来了科曼),无济于事。唯一培养成功的全明星达纳·巴罗斯也送了人。76人想要控卫。当时的舆论风向是,艾佛森是全国第一后卫,但马布里比他更适合团队。但面试了几次后,奇克斯认为马布里性格比艾佛森自我得多。这事于是定了。但费城对艾佛森其实心里有疙瘩:因为他那支走到哪跟到哪的武装部队。
  
  艾佛森头一年的主教练是约翰尼·戴维斯,这位仁兄现在灰熊做主教练。才华一般,没怎么为球队组织像样战术。媒体是众口一辞的认为艾佛森太独,不适合做控卫,类似的话,大一时他听过很多。但真正把他树成靶子的,是他自己关于在场上是否需要尊敬老球员的言论之类。
  比较扯淡的事:艾佛森自己公寓门上有幅乔丹的大手绘海报,但1997年1月全世界在说他如何不尊敬乔丹。纽约有报纸把他的言论扭完了之后给巴克利、米勒们听,然后再从他们嘴里找点嘲弄艾佛森的话,再扭曲一遍发出去,一副国人皆曰可杀的意思。
  然后比较有意思的事:红衣主教在1997年全明星新秀赛带过他后,说很喜欢他。到2002年问起,还是这句话:喜欢这小子。
  
  关于艾佛森新秀季的罪状,最著名的大概是“连续拿40分而球队不赢球”这事。聊聊这事的前因后果:
  1997年全明星赛往后,艾佛森想转型组织球队,连着送二位数助攻。但是赛季末尾,科曼受伤,本来进攻就乱七八糟,现在内线强攻点也没了(威瑟斯彭当时开始转型往外)4月初,艾佛森组织,斯塔克豪斯主攻,球队还是三连败,比较倒霉的例子:4月2日,斯塔克豪斯36分而76人被猛龙劈了22分。然后艾佛森接管比赛,连续五场40分,包括一场50分。八天里四个球场,一共在板凳上休息了十分钟。
  
  完后是1997年夏天的飙车带大麻事件,连着前面半年被媒体落井下石,又让他形象负面了一点。艾佛森具体吸不吸大麻我不太敢说,但车里有另二厮是大麻惯犯倒是真的。按艾佛森说法,三个人聊歌词聊高兴了一起走,得了。
  
  
  
  
  
  到这极端,是他大学-NBA的三年。从弗吉尼亚一个小体育明星到状元,飞跃式的变化。媒体形象在最后的半年里飞流直下,但现在回头看,更像是媒体塑出来的反面典型:发型、文身、打法都是罪过,加上点扭曲的言论、队伍的成见,诸如此类。
  大学里,他从汤普森那里学来了“别管别人怎么讲,做你自己的事,对抗那些批评你的人”这脾气。而1997年前半年的种种破事,只让他更坚定这一点。自那之后,他一直没对媒体太友好过。
  噢此外,1996-97季,费城战绩打90年代以来第一次不跌反升了。
  
  
  
  
  
  
  1997年拉里·布朗到了。然后是这俩人的漫长争执。一般的流程是,布朗对艾佛森不满,艾佛森不理,布朗生气了,艾佛森觉得老头叨叨。最后俩人像孩子似的揪到克罗斯那里去对簿公堂,克罗斯和稀泥。
  布朗试图改造艾佛森打控卫,未遂,然后就是1997-2001的伟大改革。基本的格式:费城把天才们(斯塔克豪斯、威瑟斯彭、休斯)们一个连一个卖出去,搞来各种蓝领球员。到1998年2月,斯诺和艾佛森搭档了一次后场,逆转了小牛,于是布朗觉得找到了。
  且记:1998年2月开始,艾佛森开始打布朗体系里的得分后卫。
  
  媒体对他的印象好转,是1998-99季的事。理由特简单:76人战绩变好了。本来,你战绩差,媒体落井下石;你战绩好,大家歌功颂德。当时费城挖出件事,证明艾佛森不是脑残非主流。他对克罗斯13岁得了重病的教女特动情的说:我会把胜利献给你。
  2001年之前,艾佛森的季后赛都只到第二轮为止。两次都是输给步行者。至于那两年的步行者强成什么样子,就不赘述了。
  
  2000年,他和布朗最后把梁子解决了一下。当时闹得大,克罗斯亲自从费城飞来解决问题。事情最后说透就是,布朗觉得艾佛森老看不起自己,疑心艾佛森不声不响心里在嘀咕他;艾佛森觉得自己就这脾气,其实心里都有谱但不愿意宣之于表面。这事有点像梁左一相声:
  A:哎,我说你是听着呢还是睡着呢?
  B:听着呢。
  A:听着你吱个声啊,你看不起我不是?
  B:我刚不是吱了你知道了吗?
  这俩人脾气一个古板严肃连西服口袋里手绢样式都每天一个样,一个天马行空嘻哈引领一时之风潮。偏偏俩都是那种自己其实很有主意的人。一来二去,于是就这样了。2000年夏天又闹一回,克罗斯当时说话:看我面上,再打一年。
  
  2001年神话不提。
  
  2001年夏天,出了件比较大的事:克罗斯调了职。之后这俩怨偶吵架,克罗斯没法第一时间赶来劝了。
  2001-02季76人战绩下跌其实很正常:2001年那拨人本来就是为了“再打一年”设的,2001年一过,球队集体老化;艾佛森赛季前受伤,麦基赛季中受伤。到赛季末,穆大山和科曼俩合计70岁的人每场要顶三节。76人季后赛决战凯尔特人,打到第五场分胜负。那支凯尔特人后来在东部决赛里也给基德的网队好生吃了点苦头。不提。
  2002-03季,艾佛森那几年首次没成得分王:他开始更多组织。球队48胜。KG认为他应该去竞选常规赛MVP,布朗认为他成熟了。至于有人觉得他得分能力下滑了——他那年季后赛第一场就得了55分。
  当然,那年季后赛最后,费城输给了活塞。顺便说句,当时的活塞,除了拉希德外,四大金刚都齐了。那也是活塞连续六年东部决赛之旅的开始。
  2003年夏天,拉里·布朗走人。
  
  
  
  
  
  一般会把艾佛森和老布朗的恩怨纠结说成他的大罪状。但这事有两说。如前所述,他们俩的关系,在1997-2000年之间基本处于性格不合;2000-01季算蜜月期;2001-03属于诸事不顺。他们二位有点能同享福不能共患难的意思,贫贱夫妻百事哀。但说到底:
  在2004年带活塞夺冠之前,拉里·布朗做主教练的最高成就(总决赛、年度教练),全是在2001年跟艾佛森一起取得的。
  说是恩怨纠结你死我活,布朗老师在费城从1997待到2003,他老人家在ABA连NBA当教练,就数在费城呆得最久——布朗老师自己,也不是善于跟别人搞得一团和气的教练。
  
  
  拉里·布朗时期的艾佛森,在球场上来说,他几乎都在打得分后卫,而他转型回组织后卫的2002-03季成果并不丢人。当然,他打控卫毛病很多。和绝大多数小个子控卫一样,视野偏窄,需要球权,投篮选择有问题。在球场下来说,自从克罗斯离开了总裁位置,费城高层和他的关系淡了,而他自己,1997-2003期间,一直被媒体翻手为云覆手为雨的折腾。1997年的不羁非主流,1999年的浪子回头,2000年的吵闹,2001年的神话,2002年的下跌,2003年的成功转型,一年一个变化。而他自己的脾气,大致还是老路数:写歌词,灌唱片,“我要当贫民窟里的NBC”。
  虽然成了超级巨星,他还是跟自己的妈妈、舅舅、混混兄弟们黏在一起。仗义每多屠狗辈,负心多是读书人,他一直比较认这个理。
  
  
  
  
  
  2003-04季大伤一场,不提。2004-05季,在奥布莱恩的快节奏下获得成功,迄今最后一个得分王,全明星MVP,第三次年度第一阵容,单场60分。常规赛43胜。季后赛首轮对上活塞,先折两阵,取下第三场,第四场拼到加时输掉,第五场脚踝受伤败北。
  也就在这年,艾佛森公开说了,“拉里·布朗是联盟最好的主教练。”
  从这年起,比利·金开始到处兜售艾佛森。如此一直闹到2006年夏天。“球队需要做些改变。他们可能动我的位置。”最后折腾完了,去了掘金。
  
  
  
  基本上他在丹佛时,性格很淡了。不想代替甜瓜的地位,只想做他的朋友和队友。在丹佛每天陪孩子看电视,和哥们一起玩。妻子会负责在丹佛买房子。2007年12月,他说打算跳出最后一年合同,打算在丹佛结束职业生涯。2007年,掘金输给总冠军;2008年,掘金输给西部冠军。
  之后是去活塞。话说活塞正在转型,库里第一年当教练,哪怕他不去,活塞也在经历阵痛。他恰好掉进去了。又因为他要占一个首发席位,于是俨然成了众矢之的。所以去活塞是为他人生最倒霉的时刻:本来一支新旧更替的球队,注定要变革不断;他又掉了进去,枉为恶人。
  
  
  
  
  
  
  2009年他到处找工作时壮心不已。“要证明那些过去一年来诋毁我的人都是错的。”其实也正常:在活塞的一季集体乱七八糟,做不得数;在此之前的2007-08季,他还是联盟得分第三、50胜球队的首发控卫。他的速度、技巧和一对一依然在。他当然觉得自己还有战斗力。
  
  但是,NBA是个大生意场。他职业生涯以来是是非非,尤其是活塞这事,让重建的年轻球队不敢要他。大球队不肯为了他改变体系。本来,得分王晚年大多老景颓唐:法尔克斯32岁时在勇士混替补,内尔·约翰斯顿29岁就开始看老搭档阿里津出风头,38岁的埃尔文·海耶斯在火箭被嘘,35岁的阿奇巴尔德在雄鹿场均只得7分,麦卡杜28岁之后没怎么首发过。得分王大多有或有过“独”的名声,这名声很容易把人吓退。何况艾佛森本来就不是一个万金油型配了就能打球的人。
  
  
  
  
  
  比较坏事的,是他做事情只随自己的喜好。本来,其他老将被灰熊这么签了,都会明白自己的地位:卖票的,替补,陪衬年轻人成长。他整个季前赛都没打,没来得及融入灰熊,何况还是个雇佣兵。
  他打了第一场,开始不高兴;打了三场,就不快乐了。其实说来,又是所求不一。灰熊的想法:你没打季前赛,你34岁了,先替补着吧;艾佛森的想法:他是来重新证明一切的,在活塞风尘潦倒他还是首发,而如今不仅当替补,球队都没把他当正经第六人用,而且没有任何出头之日的允诺。
  
  
  
  
  
  
  其实他会跑去跟灰熊老板说要离开,符合他做事风格。长期以来他的故事,都有点性格造就命运:
  他不太愿意改变,扎根在自己老妈、兄弟和故乡的那个圈子里,不相信媒体与主流的眼光,于是媒体从来不给他太好的脸色(除了他那几季辉煌岁月)。
  他街上出身,而且被自己的橄榄球教练灌输过那套心理控制理论,所以他做什么都是凭本能喜欢和脑海里的第一图景。(这事另有俩段子。一,他画画相当不俗,喜欢画各种自己意识里纷至沓来的玩意;二,他保镖特里·罗伊斯特说过,他喜欢在赛前就想象比赛中的所有情景,上了场就不假思索的进行)
  他一直没太融入NBA的商业规则。大卫·法尔克要把他包装成高大全,他就跟人闹不愉快了;拉里·布朗跟他闹不和,很大程度是因为这俩人沟通有障碍,鸡对鸭讲;他跟《HOOP》杂志闹不和,和媒体争别扭,弄了张让斯特恩头疼的唱片。在活塞和灰熊,他都没太和管理层、教练组在自己的角色上有共识。
  (关于霍林斯教练这人,插句嘴。他在灰熊做背景有段时间了。胡比·布朗老爷子之后,他带过四场,0胜4负。之后佛拉特洛上任。佛老下台后,韦斯特第一时间找了托尼·巴罗内来,没再用霍林斯。而上季,雅瓦罗尼中途下课,灰熊用霍林斯救火,再一直用到本季)
  
  
  
  哪怕他再回到灰熊,也是委曲求全了。灰熊这个重建思路不会特意为他修改。经过这么一闹,加上上季在活塞的事,他在NBA的路只会越来越窄。老样子:强队不肯为了他改体系,弱队忙着培养少年阵容不能为他腾时间。能再回到老帅布朗或奥布莱恩手下当然是最理想的,但现在看来煞是艰难。
  说起来,夏天奥林匹亚科斯拍过来一份大合同,如果仅为挣钱,去希腊比在孟菲斯合算得多。但艾佛森的脾气:他不想作为一个败者、一个替补离开。这是他的硬脾气所在。
  
  
  
  
  
  理一下。
  
  他的脾气从大学时就基本成型,此后几乎未变。他不喜欢主流,说话直率,为人干脆,相信直觉,永远和老妈及死党们混在一起。汤普森一直担心他进入职业体育会吃媒体的苦头,而事实果然如此:从1997到2003,他的形象被歪来扭去不成样子。在掘金和活塞,他算是尽量转型,想找个落脚地打球终老。2009年,他有机会去欧洲,但他还是觉得自己能力犹在,想最终证明一下自己。但是,在活塞与灰熊,他和管理层的沟通都不对劲,他的个人意愿和球队方向截然不同。
  
  
  
  
  
  他最得心应手的位置,是拉里·布朗在1998-2001期间为他定做的半场进攻得分后卫,以及2004-05季奥布莱恩快攻开放套路里的组织后卫。在做人方面,他最合衬的教练,是乔治城的约翰·汤普森:一个对职业体育灰了心的(1988年奥运会时被摆过一道)、对白人主流观点厌恨的、喜欢和外界对抗的人。
  
  
  说到最后,艾佛森的脾气,并不怎么适合职业体育这个大环境。他在联盟中获得的认可,全部都是他的成绩逼迫着媒体改弦更张来承认的。他性格太直,不愿意为什么事情屈就更改自己的准则。你看,2009年,34岁了,他还是觉得,自己靠一副直脾气,一身纵横天下的本事,就能够重新挽回一切——
  
  单纯和直率在绝大多数时候是种美德,但在这个时代这么乱七八糟的职业体育界?那真的就是另一回事了。
·艾佛森这个人

21 硬件工程师笔面试高频考点真题解析——单片机 本文系统介绍了单片机的核心概念与应用知识,包括:单片机定义与选型要点(性能、存储、外设等);核心参数(主频、I/O、通信接口等);最小系统组成(电源、复位、晶振、BOOT);常见外设(GPIO、ADC、定时器等);GPIO工作模式(输入/输出);死机原因分析(硬件干扰、软件错误等);上电故障排查流程(电源、时钟、程序等);与DSP、FPGA的对比(控制vs运算vs可编程);常用通信总线特点(UART、I2C、SPI、CAN);看门狗功能(超时复位防死机)。内容涵盖单片机硬件设计关键要点,适合嵌入式开发者参考 阅读详情

相关推荐

NXP ChessDE的安装和激活

如果客户申请的是试用版,那么一份为期 30 天的 License 将会发送申请人的账号或邮箱中,客户使用该文件进行安装即可。② 将“VENDOR snpslmd /path/to/snpslmd”中的“/path/to/snpslmd”替换成 snpslmd.exe 实际存放路径(位于 SCL 安装目录下的 win32\bin 文件夹中,默认安装的情况下就是“VENDOR snpslmd C:\Synopsys\SCL\<version>\win32\bin\snpslmd.exe”)。

weixin_47351160的博客 2045

Linux 逻辑卷管理 与 文件系统(LVM 与 FileSystem)的关系

一、 什么是LVM          LVM是逻辑盘卷管理(Logical Volume Manager)的简称,它是Linux环境下对磁盘分区进行管理的一种机制,LVM是建立在硬盘和分区之上的一个逻辑层,为文件系统屏蔽下层磁盘分区布局,从而提高磁盘分区管理的灵活性。通过LVM系统管理员可以轻松管理磁盘分区,如:将若干个磁盘分区连接为一个整块的卷组(volume group),形成一个存储池

hj19870806的专栏 1万+

告别Selenium!纯Python+Requests搞定微信视频号登录Cookie(附完整代码与避坑指南)

本文详细介绍了如何利用纯Python和Requests库实现微信视频号的自动化登录,替代传统的Selenium方案。通过解析HTTP请求交互流程,提供完整的代码实现和避坑指南,显著提升爬虫效率和隐蔽性,适用于轻量化爬虫开发。

weixin_30642561的博客 312

虚拟机迁移原理

原网址 虚拟机到虚拟机的迁移(Virtual-to-Virtual) V2V 迁移是在虚拟机之间移动操作系统和数据,照顾主机级别的差异和处理不同的虚拟硬件。虚拟机从一个物理机上的 VMM 迁移到另一个物理机的 VMM,这两个 VMM 的类型可以相同,也可以不同。如 VMware 迁移到 KVM, KVM 迁移到 KVM。可以通过多种方式将虚拟机从一个 VM Host 系统移动到另一个 VM H

Zeeeitch 1万+

南京邮电大学电工电子实验(二)复习一

本文给电工电子实验(二)的复习进行一些知识点的提醒

YOUXISUN的博客 2959

PADS VX2.4 缝合孔(阵列过孔)的添加方法

缝合孔的主要目的是:①:增加底层和顶层的地铜皮的连接性,②:起到屏蔽外界信号干扰的作用。铺完铜后,右击空区域选择“选择形状”命令,选取整板中的一块大铜皮,右击选择“覆铜区域内过孔阵列模式”→“沿周边”指令后,再右击选择“覆铜区域内过孔阵列”,便能看到已选区域内添加的缝合孔(过孔阵列),也可以通过铜皮显示或隐藏的无模命令:PO进行查看。完成上面的“防止错误”和“过孔样式”的设置后,开始对整板进行铺铜处理,点击“工具栏”→覆铜平面指示器,在弹出的对话框点击“开始”,便能观察铺铜后的板子。

tianpu2320959696的博客 3060

各种银行卡的收费情况,赶紧给自己储备点生活常识吧

<br />转载自 居然家居刘冰2010年06月16日 11:09阅读(0)评论(0) 分类:学习共享权限: 公开<br /><br />1 中国工商银行:办卡费5元,年费10元/年,低于300元收小额账户管理费3元/季度,同城跨行取款2元/笔<br /><br />2 中国农业银行:办卡费5元,年费10元/年,低于300元收小额账户管理费3元/季度,同城跨行取款2元/笔(广东省4元)<br /><br />3 中国建设银行:办卡费5元,年费10元/年,低于500元收小额账户管理费3元/季度,且这类账户不给

Open9i的专栏 3808

arcgis根据矢量范围统计栅格数据众数、最大值、均值、中位数、最小值、少数等

像元统计数据 根据多个栅格数据计算每个像元的统计数据。 可用的统计数据有:众数、最大值、均值、中位数、最小值、少数、范围、标准差、总和及变异度。 https://desktop.arcgis.com/zh-cn/arcmap/10.3/tools/spatial-analyst-toolbox/an-overview-of-the-local-tools.htm ...

GIS哼哈哈的博客 6万+

[转] 中国最贵的十个县级城市房价排名

<br />转载自 刘琳琳2011年03月10日 20:49阅读(38)评论(1) 分类:经典权限: 公开<br />中国最贵的10个县级城市的房价排名:<br />1:浙江瑞安。<br />2:浙江温岭。<br />3:浙江乐清。<br />4:浙江义乌。<br />5:浙江慈溪。<br />6:浙江苍南。<br />7:浙江"青田"。<br />8:浙江玉环。<br />9:浙江余姚。<br />10:浙江绍兴县。<br />作为浙江人我表示很有压力。-<br />作为瑞安的人我表示更有压力。

Open9i的专栏 2212

STM32项目实战_基于STM32F103的智能药箱设计与实现(硬件详解+软件逻辑+调试要点)

本文详细介绍了基于STM32F103的智能药箱设计与实现,涵盖硬件设计、软件逻辑和调试要点。项目核心功能包括精准提醒、药品管理和远程监控,采用STM32单片机作为主控,结合光电开关、蓝牙模块等实现智能化管理。文章还分享了电路图设计、程序优化及常见问题解决方案,为嵌入式开发爱好者提供实用参考。

weixin_28717683的博客 303

CANoe如何实现TLS协议

TLS,Transport Layer Security,传输层安全协议。是在传输层和应用层之间,为了保证应用层数据能够安全可靠地通过传输层传输且不会泄露的安全防护。

jasonj333 1165

《让子弹飞》结局大揭密

<br />《让子弹飞》结局大揭密,的确很劲爆,期待《让子弹飞》续集。<br /><br />网友从片方发布的制作花絮中发现,因拍摄角度不同,可以清楚地看到火车车尾上的人正是黄四郎。<br />1、黄四郎没有死,他打死了武智冲,穿着汤师爷的衣服出现在了火车上。<br />2、汤师爷的没有说完的第一个秘密是老二是他告密害死的,第二个秘密是他喜欢花姐,花姐是卧底。<br />3、花姐给黄四郎的礼盒里面装的是两颗钻石,黄四郎一看就知道花姐已经搞定了汤师爷和老二和老三,于是便假装卖个人情给花姐放过老二和老三,本来他

Open9i的专栏 1975

ABAP链接外围数据库SQL实战案例

这是一个ABAP 直接读取SQL数据库数据的实例,以此种方式可以将SAP与外围的系统做一些集成,比如生产,SAP本身生产这部分是弱项,管不了那么细,很多车间的数据都是在MES系统,如管理上需要则可以将MES的一些数据自动读取过来,结合SAP本身的业务数据,做一些分析是比较方便的。 1、首先在SAP里建立数据库链接:DBCO ,直接增加一条记录,填上数据库的相关信息:IP地址、数据库名、账号SA、密码这些。 2、开发程序,设置成自动运行的计划,固定时间自动读取SQL里的数据,保存到SAP自定义表.

heng0757的专栏 1511

C++ 实习面试第一阶段:面向对象基础

C 和 C++ 都是通用编程语言,但设计思想和语言特性有所不同。C++ 相比 C 增加了以下重要特性:面试回答: C++ 并不是完全取代 C 的语言,它兼容了大量 C 语言的编程方式,同时提供了面向对象、泛型编程和资源管理等更丰富的特性。指针是存储对象地址的变量,引用是对象的别名。代码示例: 需要注意:两者都用于表示空指针,但类型和使用方式不同。为什么引入 nullptr?因为 NULL 在一些实现中本质上是整数 0,可能导致函数重载时产生歧义。 面试重点: C++11 以后优先使用 nullptr

zengjiajun2006的博客 1133

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Java 集合容器高频面试题全解:HashMap 树化阈值、1.7 死循环与 ConcurrentHashMap 演进(2026 招聘 JD 真题复盘)

HashMap 树化阈值 8 的泊松分布依据、退化阈值 6 的防抖设计、JDK 1.7 头插成环死循环的排查与修复、1.8 尾插后为何仍线程不安全、ConcurrentHashMap 放弃分段锁的原因与 ForwardingNode 协作扩容、computeIfAbsent 死锁陷阱、大集合找重复的场景题选型,附三层追问链自测。题目来源为 38 期公开招聘 JD 样本与字节、拼多多、建行、美团、快手公开面经。

蒙眼过河 415

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

【AI Agent面试系列】上下文管理1

工具返回价值密度最低、体积最大(常占 30%~60%),清理它收益最高、损失最小。摘要对话会丢语义细节,代价更高。按"价值密度从低到高"排序,不是按"体积从大到小"。

363

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

你背的Spring答案,全是5.x时代的:7.0.8源码一翻,80%的博客都过时了

这是 **Spring 7.0.8 源码系列的准备篇**,不急着逐行啃代码,只解决三件事:**为什么读、读什么、怎么读才不半途而废**。如果你正处在“注解一贴、项目一跑、日志一红、开始玄学”的状态,这篇就是给你写的。

xiaokjv的博客 267

上位机面试:值类型 vs 引用类型

大部分教程会告诉你"值类型在栈上,引用类型在堆上"。如果 ④ 和 ⑤ 都用 99,⑤ 打印出 99 时你分不清是"第 3 条和第 4 条是最容易混的,也是面试最爱追问的地方。很多人把"传引用类型的参数"当成"引用传递",这是错的。所以那句"引用类型比较就是比地址"不是通则——跑 100 万次对比,数量级差异很明显。记住这张图,下面所有现象都能推出来。这一行,才是真正的"按引用传递"。的核心原因——泛型不需要装箱。生效了"还是"根本没生效"。,比背"栈和堆"高一个层次。,这是测试设计的基本要求。

hanxiaodihhh的博客 247

C++ 运行时多态与虚函数机制全面剖析【面试重点】

构成C++ 运行时多态必须是基类的指针或者引用调用虚函数。被调用的函数必须是虚函数,并且派生类必须对该虚函数完成重写/覆盖(Override)。只有基类的指针或引用才能既指向基类对象,又指向派生类对象(切片机制);而只有完成了虚函数重写,派生类与基类才具备不同的函数行为,达到“指向谁就调用谁”的效果。在类成员函数的前面加上virtual关键字修饰,该成员函数就成为了虚函数。public:// 成员函数前加 virtual 修饰,声明为虚函数。

Fuyo_0209的博客 448

力扣35搜索插入位置(二分查找)

该题通过二分查找寻找插入位置。使用 mid = (left + right) >> 1 防止整数溢出,等价于 (left + right) / 2,但更安全。当 target <= nums[mid] 时,更新答案并继续向左查找;否则向右。最终返回最小的插入位置,时间复杂度 O(log n),空间复杂度 O(1)。

Pniubi的博客 193

LeetCode 面试经典 150_位运算_只出现一次的数字 II(137_C++_中等)

LeetCode 面试经典 150_位运算_只出现一次的数字 II(137_C++_中等) 题目描述: 给你一个整数数组 nums ,除某个元素仅出现 一次 外,其余每个元素都恰出现 三次 。请你找出并返回那个只出现了一次的元素。 你必须设计并实现线性时间复杂度的算法且使用常数级空间来解决此问题。

huayimenghan的博客 126

微服务体系下DevOps运维岗位面试方案设计

建立岗位题库与评分卡:把本文的考察点固化为结构化评分表,减少面试官主观漂移。面试官认证与校准:定期做「同候选人多人评分」校准,提升一致性。持续迭代题库:每季度根据真实招聘结果回看,淘汰区分度低的问题。候选人侧:把 STAR 案例当成工程资产来维护,每次项目结束就沉淀一份,面试时自然从容。微服务下的 DevOps 与运维岗位,考察的核心不是「你会不会用某个工具」,而是面对复杂系统时,能否用工程化手段持续降低不确定性。用 STAR 原则把这一点问出来、讲出来,面试双方都能少走弯路。

流水账 639

【全栈面试】Excel 导入流程

本文系统梳理全栈工程师面试中关于Excel导入功能的五大核心考察维度:架构分层(DTO/BO/DO职责分离)、前后端校验分工、性能优化(异步+流式读取+批量插入)、异常处理策略(精准反馈与错误报告)、技术选型原理(EasyExcel vs POI)。强调全栈思维应贯穿“契约先行、解耦设计、安全兜底、体验优化”全流程,通过实例展示如何从同步阻塞到异步高效重构,实现高可用、可维护、用户体验佳的完整链路设计。

qq_38980678的博客 287
上一篇: 贴在这里收藏……
下一篇: 真正的艾弗森绝不放弃永不妥协! 从此以后再无AI
Open9i
博客等级 码龄16年 14粉丝 43原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值